L1.X. (Các) lý do của việc trang bị quá mức? 

Câu hỏi yêu cầu tìm phát biểu KHÔNG đúng về bài toán phân loại và dự đoán.

a. Trong phân loại, đầu ra là một giá trị rời rạc. Đây là phát biểu ĐÚNG. Phân loại gán một đối tượng vào một trong số các lớp (categories) đã định trước, là các giá trị rời rạc.

b. Trong dự đoán, đầu ra có thể là giá trị liên tục hoặc giá trị rời rạc. Đây là phát biểu ĐÚNG. Dự đoán có thể là hồi quy (giá trị liên tục) hoặc phân loại (giá trị rời rạc).

c. Nhiệm vụ dự đoán về cơ bản là phân loại. Đây là phát biểu SAI. Dự đoán bao gồm cả phân loại và hồi quy, không chỉ là phân loại.

d. Phân loại là một nhiệm vụ dự đoán. Đây là phát biểu ĐÚNG. Vì phân loại là một dạng của dự đoán (dự đoán lớp của đối tượng).

Vậy, đáp án KHÔNG đúng là 'Nhiệm vụ dự đoán về cơ bản là phân loại.'

Câu hỏi này liên quan đến khái niệm overfitting (quá khớp) và underfitting (khớp thiếu) trong machine learning.

* Underfitting (Khớp thiếu): Xảy ra khi mô hình quá đơn giản để nắm bắt được cấu trúc dữ liệu bên dưới. Mô hình có hiệu suất kém cả trên tập huấn luyện và tập kiểm tra.
* Overfitting (Quá khớp): Xảy ra khi mô hình học quá kỹ dữ liệu huấn luyện, bao gồm cả nhiễu. Điều này dẫn đến hiệu suất rất tốt trên tập huấn luyện nhưng hiệu suất kém trên tập kiểm tra, vì mô hình không thể khái quát hóa tốt cho dữ liệu mới.

Trong trường hợp này, mô hình hoạt động tốt trên tập huấn luyện (tức là đã học kỹ dữ liệu huấn luyện) nhưng lại hoạt động kém trên tập kiểm tra (tức là không khái quát hóa tốt). Đây chính là dấu hiệu của overfitting.

Do đó, đáp án đúng là: c. vấn đề trang bị quá mức

Câu hỏi này liên quan đến các nguyên nhân dẫn đến việc trang bị (mô hình) không phù hợp trong học máy hoặc các hệ thống tương tự. Chúng ta cần xem xét từng đáp án để xác định lý do chính xác.

* a. Mô hình quá đơn giản: Một mô hình quá đơn giản (underfitting) có thể không nắm bắt được các mối quan hệ phức tạp trong dữ liệu, dẫn đến hiệu suất kém.
* b. Không đủ dữ liệu đào tạo: Khi không có đủ dữ liệu đào tạo, mô hình có thể không học được các đặc trưng quan trọng, dẫn đến hiệu suất kém.
* c. Tất cả các yếu tố đều đúng: Đây là một khả năng, nhưng cần xem xét kỹ các yếu tố khác.
* d. Độ lệch cao và phương sai thấp: Độ lệch cao (high bias) thường xảy ra khi mô hình quá đơn giản và không khớp với dữ liệu. Phương sai thấp (low variance) có nghĩa là mô hình nhất quán trên các tập dữ liệu khác nhau, nhưng nếu độ lệch cao, nó vẫn sẽ hoạt động kém.
* đ. Tập dữ liệu huấn luyện không được làm sạch, chứa tiếng ồn: Dữ liệu nhiễu (noise) có thể làm cho mô hình học các mẫu không chính xác, dẫn đến hiệu suất kém.

Trong các lựa chọn trên, tất cả các yếu tố (mô hình quá đơn giản, không đủ dữ liệu, độ lệch cao/phương sai thấp, dữ liệu nhiễu) đều có thể dẫn đến việc trang bị không phù hợp. Do đó, đáp án "c. Tất cả các yếu tố đều đúng" là đáp án chính xác nhất.

Phân cụm (clustering) là một kỹ thuật trong học máy (machine learning) thuộc loại học không giám sát (unsupervised learning). Trong học không giám sát, thuật toán được cung cấp dữ liệu mà không có nhãn (labels) hoặc kết quả đầu ra mong muốn trước. Mục tiêu của thuật toán là tìm ra các cấu trúc ẩn, nhóm các điểm dữ liệu tương tự lại với nhau dựa trên một số tiêu chí (ví dụ: khoảng cách, mật độ).

* Lựa chọn tính năng (Feature Selection): Là quá trình chọn ra một tập hợp con các thuộc tính (features) quan trọng nhất từ dữ liệu ban đầu. Nó không liên quan trực tiếp đến việc nhóm các điểm dữ liệu.
* Học tăng cường (Reinforcement Learning): Là một loại học máy trong đó một tác nhân (agent) học cách đưa ra các quyết định trong một môi trường để tối đa hóa một phần thưởng tích lũy. Nó không liên quan đến việc phân nhóm dữ liệu.
* Học tập không giám sát (Unsupervised Learning): Là loại học máy mà thuật toán học từ dữ liệu không có nhãn. Phân cụm là một ví dụ điển hình của học không giám sát.
* Học tập có giám sát (Supervised Learning): Là loại học máy mà thuật toán học từ dữ liệu có nhãn. Mục tiêu là học một hàm ánh xạ đầu vào tới đầu ra dựa trên dữ liệu huấn luyện có nhãn.

Vì vậy, đáp án đúng là C: Học tập không giám sát.

Bài toán hồi quy trong machine learning có mục tiêu dự đoán một giá trị số thực liên tục. Các thuật toán hồi quy được sử dụng để ước lượng các giá trị số, ví dụ như dự đoán giá nhà, nhiệt độ, hoặc doanh thu. Do đó, đáp án đúng là "c. A số thực". Các đáp án còn lại không phù hợp vì giá trị phân loại và giá trị rời rạc thường liên quan đến các bài toán phân loại, còn số phức không được sử dụng trong các bài toán hồi quy thông thường.